基于动态距离窗的交叉口CAV轨迹规划算法

doi:10.19562/j.chinasae.qcgc.2021.04.011

摘要/Abstract

摘要：

针对目前智能网联车（connected and autonomous vehicle， CAV）通过交叉口的轨迹规划算法无法兼顾效率与安全协同最优的问题，根据CAV驶入交叉口通信范围时的不同初始行驶状态引入动态距离窗（dynamic distance windows， DDW）概念，提出适用于可控安全行驶条件下通行效率最优的轨迹规划算法。算法根据CAV初始行驶状态参数和信号灯信息、最大舒适加/减速度和道路限速约束条件，获得CAV初始行驶状态对应的DDW。针对CAV初始位置与停车线上游特定位置间的距离处于DDW范围之内和之外的两种情况，分别设计相应的轨迹规划算法，实现CAV通过交叉口延误最小。仿真结果显示，所提出的算法可有效提高CAV通过交叉口的效率，并且具有更小的速度波动及更平滑的时空轨迹。

关键词: 车路协同, 智能网联车, 轨迹规划, 动态距离窗

Abstract:

Considering the problem that the existing trajectory planning algorithms for connected and autonomous vehicle （CAV） passing through intersections cannot achieve optimal coordination of traffic efficiency and safety， the concept of dynamic distance windows （DDW） is introduced according to different initial driving states when CAV drives into the communication range of the intersection， and a trajectory planning algorithm which is suitable for the optimal traffic efficiency under the controllable and safe driving condition is proposed. The DDW corresponding to the initial driving state of CAV can be obtained according to the information of initial driving state parameters of CAV and the signal lights， and the constraints of the maximum comfortable acceleration/deceleration and the speed limit of road. For the two types of situation that the distance between the initial position of CAV and a certain position in front of the stop line is within or outside of the DDW， the corresponding trajectory planning algorithm is designed respectively to achieve the minimum delay of CAV passing through the intersection. The simulation results show that the proposed algorithm can improve the efficiency of CAV passing through the intersection， with smaller speed fluctuations and smoother spatiotemporal trajectory of CAV.

Key words: cooperative vehicle?infrastructure systems, connected and autonomous vehicle, trajectory planning, dynamic distance windows

高志军,王江锋,陈磊,董佳宽,罗冬宇,闫学东. 基于动态距离窗的交叉口CAV轨迹规划算法[J]. 汽车工程, 2021, 43(4): 537-545.

Zhijun Gao,Jiangfeng Wang,Lei Chen,Jiakuan Dong,Dongyu Luo,Xuedong Yan. Trajectory Planning Algorithm for CAV at Intersections Based on Dynamic Distance Windows[J]. Automotive Engineering, 2021, 43(4): 537-545.

图/表 16

图 1

图 2

图 3

图 4

图 5

表 1

初始距离处于DDW内的CAV 3阶段轨迹规划"

速度变化模式	不同速度轨迹阶段间的过渡时刻		需要满足的约束条件	各阶段加速度
速度变化模式	t₁	t₂	需要满足的约束条件	a₁	a₂	a₃
减速-匀速-加速	$v 0 - v u n i a B$	$t G - v * - v u n i a A$	$x ˉ$ > $x * - x 0$ ；式(8)； $v u n i ≤ v *$ ； $0 ≤ v u n i ≤ v 0$ ； $0 ≤ t 1 ≤ t 2 ≤ t G$	a_B	0	a_A
减速-匀速-减速	$v 0 - v u n i a B$	$t G - v u n i - v * a B$	$x ˉ$ > $x * - x 0$ ；式(9)； $v u n i ≥ v *$ ； $0 ≤ v u n i ≤ v 0$ ； $0 ≤ t 1 ≤ t 2 ≤ t G$	a_B	0	a_B
加速-匀速-减速	$v u n i - v 0 a A$	$t G - v u n i - v * a B$	$x ˉ$ < $x * - x 0$ ；式(10)； $v * ≤ v u n i$ ； $v 0 ≤ v u n i ≤ v m a x$ ； $0 ≤ t 1 ≤ t 2 ≤ t G$	a_A	0	a_B
加速-匀速-加速	$v u n i - v 0 a A$	$t G - v * - v u n i a A$	$x ˉ$ < $x * - x 0$ ；式(11)； $v * ≥ v u n i$ ； $v 0 ≤ v u n i ≤ v m a x$ ； $0 ≤ t 1 ≤ t 2 ≤ t G$	a_A	0	a_A

表 1

图 6

图 7

图 8

图 9

图 10

图 11

图 12

图 13

图 14

表2

参考文献 16

1	KHONDAKER B， KATTAN L. Variable speed limit： a microscopic analysis in a connected vehicle environment［J］. Transportation Research Part C： Emerging Technologies， 2015， 58： 146-159.
2	LIORIS J， PEDARSANI R， TASCIKARAOGLU F Y， et al. Platoons to connected vehicles can double throughput in urban roads［J］. Transportation Research Part C： Emerging Technologies， 2017， 77（15）： 292-305.
3	LETTER C， ELEFTERIADOU L. Efficient control to fully automated connected vehicles at freeway merge segments［J］. Transportation Research Part C： Emerging Technologies， 2017， 80： 190-205.
4	刘志强，韩静文，倪捷.智能网联环境下的多车协同换道策略研究［J］. 汽车工程， 2020， 42（3）： 299-306.
	LIU Z Q， HAN J W， NI J. Study on multi-vehicle coordinated lane change strategy under network conditions［J］. Automotive Engineering， 2020，42（3）：299-306.
5	LEE J， PARK B. Development and evaluation to a cooperative vehicle intersection control algorithm under the connected vehicles environment［J］. IEEE Transactions on Intelligent Transportation Systems， 2012， 13（1）： 81-90.
6	HE Z B， ZHENG L， LU L L， et al. Erasing lane changes from roads： a design to future road intersections［J］. IEEE Transactions on Intelligent Vehicles， 2018， 3（2）： 173-184.
7	GULER S I， MENENDEZ M， MEIER L. Using connected vehicle technology to improve the efficiency to intersections［J］. Transportation Research Part C： Emerging Technologies， 2014， 46： 121-131.
8	YAO H D， CUI J X， Li X P， et al. A trajectory smoothing method at signalized intersection based on individualized variable speed limits with location optimization［J］. Transportation Research Part D： Transport and Environment， 2018， 62： 456-473.
9	XIA H T， BORIBOONSOMSIN K， BARTH M. Dynamic eco-driving for signalized arterial corridors and its indirect network-wide energy/emissions benefits［J］. Journal of Intelligent Transportation Systems， 2013， 17（1）：31-41.
10	QI X W， WANG P， WU G Y， et al. Connected cooperative ecodriving system considering human driver error［J］. IEEE Transactions on Intelligent Transportation Systems， 2018， 19（8）： 2721-2733.
11	YU C H， FENG Y H， LIU H X， et al. Integrated optimization to traffic signals and vehicle trajectories at isolated urban intersections［J］. Transportation Research Part B： Methodological， 2018， 112： 89-112.
12	FENG Y H， YU C H， LIU H X. Spatiotemporal intersection control in a connected and automated vehicle environment［J］. Transportation Research Part C： Emerging Technologies， 2018， 89： 364-383.
13	GUO Y， MA J Q， XIONG C F， et al. Joint optimization of vehicle trajectories and intersection controllers with connected automated vehicles： combined dynamic programming and shooting heuristic approach［J］. Transportation Research Part C： Emerging Technologies， 2019， 98：54-72.
14	LI Z F， ELEFTERIADOU L， RANKA S. Signal control optimization for automated vehicles at isolated signalized intersections［J］. Transportation Research Part C： Emerging Technologies， 2014， 49： 1-18.
15	STEBBINS S， HICKMAN M， KIM J， et al. Characterising green light optimal speed advisory trajectories for platoon-based optimisation［J］. Transportation Research Part C： Emerging Technologies， 2017， 82： 43-62.
16	TREIBER M， HENNECKE A， HELBING D. Congested traffic states in empirical observations and microscopic simulations［J］. Physical Review E， 2000， 62（2）： 1805.

场景	统计指标	平均延误/s	平均速度/(m·s^-1)	通过车辆数	停车数量	总停车时间/s	仿真结束时头车位置/m	仿真结束时同号尾车位置/m	速度方差/（m²·s^-2）
场景1	无规划	23.6	8.4	9	5	38.6	524.4	218.3	19.6
	有规划	19.6	9.4	11	0	0	590.1	261.1	5.7
	变化	-16.9%	+11.9%	+22.2%	-100%	-100%	+65.7	+42.8	-70.9%
场景2	无规划	29.4	7.1	9	5	36.0	524.2	218.0	15.5
	有规划	25.5	8.0	11	0	0	589.0	260.0	5.9
	变化	-13.3%	+12.7%	+22.2%	-100%	-100%	+64.8	+42.0	-61.9%
场景3	无规划	31.4	6.6	9	4	26.3	524.1	218.1	15.9
	有规划	27.5	7.5	11	0	0	588.6	259.8	9.1
	变化	-12.4%	+13.6%	+22.2%	-100%	-100%	+64.5	+41.7	-42.8%

[1]	关书睿,李克强,周俊宇,石佳,孔伟伟,罗禹贡. 面向强制换道场景的智能网联汽车协同换道策略[J]. 汽车工程, 2024, 46(2): 201-210.
[2]	李军, 周伟, 唐爽. 基于自适应拟合的智能车换道避障轨迹规划[J]. 汽车工程, 2023, 45(7): 1174-1183.
[3]	钱立军,陈晨,陈健. 无信控交叉口环境下考虑驾驶员误差的集中式轨迹规划[J]. 汽车工程, 2023, 45(5): 768-776.
[4]	张洪昌,宁鹏,杨杰,宋建伟,郝麟,曾娟. 基于双层求解策略的平行泊车轨迹规划[J]. 汽车工程, 2023, 45(12): 2299-2309.
[5]	张小俊,奚敬哲,史延雷,袁安录. 面向路侧视角目标检测的轻量级YOLOv7-R算法[J]. 汽车工程, 2023, 45(10): 1833-1844.
[6]	钱立军,陈晨,陈健,陈欣宇,熊驰. 基于Q学习模型的无信号交叉口离散车队控制[J]. 汽车工程, 2022, 44(9): 1350-1358.
[7]	唐斌,许占祥,江浩斌,蔡英凤,胡子添,杨铮奕. 基于分段优化的车辆换道避障轨迹规划[J]. 汽车工程, 2022, 44(6): 831-841.
[8]	余嘉星,Aliasghar Arab,裴晓飞,过学迅. 考虑路径平滑性和避撞稳定性的智能汽车弯道轨迹规划研究[J]. 汽车工程, 2022, 44(5): 656-663.
[9]	胡杰,张敏超,徐文才,陈瑞楠,钟鑫凯,朱令磊. 自动驾驶车辆的平行泊车轨迹规划[J]. 汽车工程, 2022, 44(3): 330-339.
[10]	杨彪,范福成,杨吉成,蔡英凤,王海. 基于动作预测与环境条件的行人过街意图识别[J]. 汽车工程, 2021, 43(7): 1066-1076.
[11]	牛国臣,李文帅,魏洪旭. 基于双五次多项式的智能汽车换道轨迹规划[J]. 汽车工程, 2021, 43(7): 978-986.
[12]	田洪清,丁峰,郑讯佳,黄荷叶,王建强. 基于势能场虚拟力的智能网联车辆运动规划[J]. 汽车工程, 2021, 43(4): 518-526.
[13]	杨彬,宋学伟,高振海. 考虑车辆运动约束的最优避障轨迹规划算法[J]. 汽车工程, 2021, 43(4): 562-570.
[14]	吴晓建,燕冬,王爱春,黄菊花,伍磊,周兵. 融合前车轨迹预测的改进人工势场轨迹规划研究[J]. 汽车工程, 2021, 43(12): 1752-1761.
[15]	张家旭, 施正堂, 赵健, 朱冰. 基于Radau伪谱法的汽车高速紧急换道避障最优控制策略设计^*[J]. 汽车工程, 2020, 42(8): 1040-1049.